正如评论中所指出的, 这里是阅读层顺序的绝佳资源。我已经浏览了评论,这是我在互联网上找到的主题的最佳资源
我的2美分:
辍学是指完全阻止某些神经元发出的信息,以确保神经元不共适应。因此,批处理规范化必须在退出之后进行,否则您将通过规范化统计信息传递信息。
如果考虑一下,在典型的机器学习问题中,这就是我们不计算整个数据的均值和标准差,然后将其分为训练,测试和验证集的原因。我们拆分并计算训练集上的统计信息,并使用它们对验证和测试数据集进行归一化和居中
-> CONV / FC-> ReLu(或其他激活)->退出-> BatchNorm-> CONV / FC
与方案2相反
-> CONV / FC-> BatchNorm-> ReLu(或其他激活)->退出-> CONV / FC->接受的答案
请注意,这意味着与方案1下的网络相比,方案2下的网络应显示出过拟合的状态,但是OP进行了上述测试,并且它们支持方案2
0
最初的问题是关于TensorFlow实现的。但是,答案是针对一般的实现。这个通用答案也是TensorFlow的正确答案。
在TensorFlow中使用批量归一化和辍学时(特别是使用contrib.layers),我需要担心订购吗?
如果我在退出后立即使用批处理规范化,则可能会出现问题。例如,如果批次归一化训练中的偏移量训练输出的比例尺数字较大,但随后将相同的偏移量应用于较小的比例尺数字(由于补偿了具有更多输出量)的比例尺数字,而在测试过程中没有丢失,则轮班可能关闭。 TensorFlow批处理规范化层会自动对此进行补偿吗?还是由于某种原因我不会想念这件事吗?
另外,将两者一起使用时还有其他陷阱吗?例如,假设我使用他们以正确的顺序在关于上述(假设有一个正确的顺序),可以存在与使用分批正常化和漏失在多个连续层烦恼?我没有立即看到问题,但是我可能会丢失一些东西。
非常感谢!
更新:
实验测试似乎表明排序确实很重要。我在相同的网络上运行了两次,但批次标准和退出均相反。当辍学在批处理规范之前时,验证损失似乎会随着培训损失的减少而增加。在另一种情况下,它们都下降了。但就我而言,运动缓慢,因此在接受更多培训后情况可能会发生变化,这只是一次测试。一个更加明确和明智的答案仍然会受到赞赏。